Face à l'inflation des coûts d'inférence, GoHighLevel intègre désormais l'arbitrage multi-modèles natif (Anthropic, Google, OpenAI). En aiguillant chaque tâche vers le LLM le plus rentable, les agences CRM réduisent drastiquement leurs dépenses de jetons tout en générant de fortes marges de re-facturation. Le marché des technologies CRM en 2026 impose un suivi plus fin des coûts d'IA. Jusqu'ici, l'action AI Agent de HighLevel proposait des options OpenAI ; la mise à jour du 20 août 2026 ajoute Anthropic et Google au sélecteur de modèles, ce qui élargit les choix d'architecture sans imposer de clé API distincte dans le paramétrage de l'action. En introduisant ce choix par action, l'éditeur américain répond à un besoin FinOps concret : réserver les modèles les plus coûteux ou les niveaux d'effort élevés aux étapes qui le justifient. Il devient par exemple possible d'utiliser Gemini 3.6 Flash pour une étape de classification, puis Claude Sonnet 5 pour une tâche de rédaction plus exigeante, à condition de configurer ces modèles dans des actions AI Agent distinctes et de mesurer les résultats sur ses propres données. HighLevel indique par ailleurs que ses optimisations récentes de consommation de jetons peuvent réduire jusqu'à 50 % le coût d'une même tâche dans certains cas ; ce chiffre reste un résultat annoncé par l'éditeur, pas une garantie universelle. Cette mise à jour s'inscrit également dans une tendance de fond : les agences cherchent à mieux piloter le coût, la qualité et la dépendance fournisseur de leurs automatisations. Le choix du modèle par étape peut renforcer cette maîtrise, sans pour autant supprimer la dépendance à HighLevel ni aux fournisseurs d'IA sous-jacents. Cette mise à jour illustre un basculement vers une IA plus opérationnelle et pilotée par les coûts. L'enjeu n'est plus seulement de savoir ce qu'un modèle peut accomplir, mais quel niveau de modèle et d'effort est pertinent pour chaque tâche. En permettant de choisir le fournisseur dans chaque action AI Agent, GoHighLevel facilite une architecture plus modulaire où l'intelligence peut être allouée selon la complexité, la qualité attendue et le budget, à condition que cette allocation soit conçue dans le workflow plutôt que supposée automatique. En observant ce déploiement, je constate une opportunité pour les agences CRM : utiliser plusieurs actions spécialisées afin de séparer classification, extraction, rédaction et contrôle. Des boucles d'optimisation peuvent ensuite être construites autour des métriques CRM, mais elles nécessitent des règles explicites, des garde-fous, des validations et éventuellement d'autres outils ; la mise à jour du sélecteur de modèles ne crée pas à elle seule un système auto-optimisant. Je reste convaincu que la maîtrise du choix de modèle peut devenir un avantage opérationnel pour les prestataires de services tech. Les agences capables de mesurer le coût par tâche, la qualité des sorties et la robustesse de chaque modèle seront mieux placées pour faire évoluer leurs automatisations sans surdimensionner chaque appel. La flexibilité architecturale devient ainsi un levier de viabilité économique, à condition de rester mesurée par les données plutôt que par des promesses de réduction de coûts non vérifiées.